Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) untuk Mengetahui Keakuratan Diagnosa Penyakit Diabetes

Qonitah Alia Puteri(1), Tri Sagirani(2*), Julianto Lemantara(3)
(1) Program Studi Sistem Informasi, Universitas Dinamika
(2) Program Studi Sistem Informasi, Universitas Dinamika
(3) Program Studi Sistem Informasi, Universitas Dinamika
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v9i3.2023.247-254


Abstrak


Diabetes adalah gangguan metabolisme kronis di mana pankreas tidak bisa menciptakan insulin yang cukup ataupun tubuh tidak berhasil menggunakan insulin yang telah dihasilkan. Penyebab yang dapat menimbulkan terjadinya penyakit diabetes berawal dari  banyak antara lain penyebab genetik dan lingkungan. Diabetes tidak hanya menyebabkan kerugian ekonomi bagi pasien karena biaya pengobatan tetapi juga memperpendek umur peluang untuk hidup sebesar 5–10 tahun. Akibat lainnya adalah jika  tidak ada upaya untuk mengontrol dan mencegah, diabetes dapat semakin memperburuk penderita karena dapat menimbulkan komplikasi yang berat. Berdasarkan permasalahan tersebut dapat dilakukan prediksi penyakit diabetes untuk  dapat membantu tenaga medis mengetahu lebih dini kondisi pasien. Algoritma Naive Bayes dan K-Nearest neighbor (KNN) bisa digunakan membantu prediksi  penyakit diabetes dengan menggunakan software RapidMiner dan Python. Hasil penelitian ini dievaluasi dengan Confusion Matrix serta Nilai AUC. Hasil metode Naïve Bayes adalah 77% dengan nilai AUC 0.83 sedangkan metode K-nearest neighbor (KNN=3) adalah 71% dengan nilai AUC 0.75, KNN=5 adalah 69% dengan AUC 0.76, dan KNN=7 adalah 68% dengan AUC 0.75 sehingga dapat disimpulkan bahwa algoritma naïve bayes lebih unggul dibandingkan dengan KNN, meski pada penelitian ini untuk algoritma KNN menggunakan K=3, K=5 dan K=7, lalu untuk untuk yang KNN dari ketiga K yang digunakan dari segi confusion matrix KNN=3 lebih unggul sedangkan dari nilai AUC yaitu KNN=5.

Kata Kunci


Diabetes; Naïve Bayes; K-Nearest Neighbor (KNN)


Teks Lengkap:

PDF


Referensi


[1] N. Nurdiana and A. Algifari, “Studi Komparasi Algoritma Id3 Dan Algoritma Naive Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” INFOTECH J., vol. 6, no. 2, pp. 18–23, 2020, [Online]. Available: https://ejournal.unma.ac.id/index.php/infotech/article/view/816

[2] Y. Sinatrya and L. A. Wulandhari, “Deteksi Diabetes Melitus Untuk Wanita Dan Penyusunan Menu Sehat Dengan Pendekatan Adaptive Neuro Fuzzy Inference System (Anfis) Dan Algoritma Genetika (Ga),” J. Tek. Inform., vol. 12, no. 1, pp. 39–58, 2019, doi: 10.15408/jti.v12i1.9578.

[3] F. Fitriyani, “Prediksi Diabetes Menggunakan Algoritma Naive Bayes dan Greedy Forward Selection,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 61–69, 2021, doi: 10.25077/teknosi.v7i2.2021.61-69.

[4] D. A. NAWANGNUGRAENI, “Sistem Pakar Berbasis Android untuk Diagnosis Diabetes Melitus dengan Metode Forward Chaining,” Komputika J. Sist. Komput., vol. 10, no. 1, pp. 19–27, 2021, doi: 10.34010/komputika.v10i1.3553.

[5] M. Yusa, E. Utami, and E. T. Luthfi, “Analisis Komparatif Evaluasi Performa Algoritma Klasifikasi pada Readmisi Pasien Diabetes,” J. Buana Inform., vol. 7, no. 4, pp. 293–302, 2016, doi: 10.24002/jbi.v7i4.770.

[6] S. Rokhanah, A. Hermawan, and D. Avianto, “Pengaruh Principal Component Analysis Pada Naïve Bayes dan K-Nearest Neighbor Untuk Prediksi Dini Diabetes Melitus Menggunakan Rapidminer,” EVOLUSI J. Sains dan Manaj., vol. 11, no. 1, 2023, doi: 10.31294/evolusi.v11i1.14728.

[7] R. Oktaria, M. Komarudin, and M. A. Muda, “Analisa Klasifikasi Kualitas Mahasiswa Lulusan Berdasarkan Jalur Penerimaan Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Lampung),” J. Tek. Inform., vol. 12, no. 2, pp. 183–192, 2019, doi: 10.15408/jti.v12i2.11171.

[8] B. D. Meilani, N. Susanti, J. T. Informatika, F. T. Informasi, I. Teknologi, and A. Tama, “Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES,” J. Sist. Inf. Univ. Suryadarma, vol. 3, no. 2, pp. 182–189, 2014, doi: 10.35968/jsi.v3i2.66.

[9] J. I. Marzuki, K. Mataram, and N. T. Bar, “Komparasi Akurasi Metode Correlated Naive Bayes Classifier Dan Naive Bayes Classifier Untuk Diagnosis Penyakit Diabetes Hairani , Gibran Satya Nugraha , Mokhammad Nurkholis Abdillah , Muhammad Innuddin InfoTekJar ( Jurnal Nasional Informatika dan Teknolog,” InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 3, no. 1, pp. 6–11, 2018.

[10] F. Yunita, “Sistem Klasifikasi Penyakit Diabetes Mellitus Menggunakan Metode K-Nearest Neighbor ( K-NN ),” Bappeda, vol. 2, pp. 223–230, 2016.

[11] Nurahman and Prihandoko, “Perbandingan Hasil Analisis Teknik Data Mining ‘Metode Decision Tree, Naive Bayes, Smo Dan Part’ Untuk Mendiagnosa Penyakit Diabetes Mellitus,” J. Ilm. Bid. Teknol. Inf. dan Komun., vol. Vol. 4 No., 2019, [Online]. Available: https://ejournal.unitomo.ac.id/index.php/inform/article/view/1403/pdf

[12] D. Setyawan and A. Suradi, “Implementasi Web Service Dan Analisis Kinerja Algoritma Klasifikasi Data Mining Untuk Memprediksi Diabetes Mellitus,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 8, no. 2, p. 701, 2017, doi: 10.24176/simet.v8i2.1584.

[13] Y. N. Dewi and F. A. Sariasih, “Metode Sample Bootstrapping Untuk Meningkatkan Performa Algoritma Naive Bayes Pada Citra Tunggal Pap Smear,” J. Tek. Inform., vol. 12, no. 1, pp. 1–10, 2019, doi: 10.15408/jti.v12i1.11031.

[14] L. N. Rani, “Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit,” INOVTEK Polbeng - Seri Inform., vol. 1, no. 2, p. 126, 2016, doi: 10.35314/isi.v1i2.131.

[15] E. Luthfi and A. W. Wijayanto, “Analisis perbandingan metode hirearchical , k-means , dan k-medoids clustering dalam pengelompokkan indeks pembangunan manusia Indonesia Comparative analysis of hirearchical , k-means , and k-medoids clustering and methods in grouping Indonesia ’ s human,” Inovasi, vol. 17, no. 4, pp. 770–782, 2021.

[16] S. Handoko, F. Fauziah, and E. T. E. Handayani, “Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering,” J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, pp. 76–88, 2020, doi: 10.35760/tr.2020.v25i1.2677.

[17] A. Franseda, W. Kurniawan, S. Anggraeni, and W. Gata, “Integrasi Metode Decision Tree dan SMOTE untuk Klasifikasi Data Kecelakaan Lalu Lintas,” J. Sist. dan Teknol. Inf., vol. 8, no. 3, p. 282, 2020, doi: 10.26418/justin.v8i3.40982.

[18] P. N. Harahap and S. Sulindawaty, “Implementasi Data Mining Dalam Memprediksi Transaksi Penjualan Menggunakan Algoritma Apriori (Studi Kasus PT.Arma Anugerah Abadi Cabang Sei Rampah),” Matics, vol. 11, no. 2, p. 46, 2020, doi: 10.18860/mat.v11i2.7821.

[19] Mardalius, “Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,” Jurteksi, vol. IV, no. 2, pp. 401–411, 2018.

[20] N. Buslim, L. K. Oh, M. H. Athallah Hardy, and Y. Wijaya, “Comparative Analysis of KNN, Naïve Bayes and SVM Algorithms for Movie Genres Classification Based on Synopsis.,” J. Tek. Inform., vol. 15, no. 2, pp. 169–177, 2022, doi: 10.15408/jti.v15i2.29302.

[21] E. Fitriani, “Perbandingan Algoritma C4.5 Dan Naïve Bayes Untuk Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan,” Sistemasi, vol. 9, no. 1, p. 103, 2020, doi: 10.32520/stmsi.v9i1.596.

[22] M. Sulistiyono, Y. Pristyanto, S. Adi, and G. Gumelar, “Implementasi Algoritma Synthetic Minority Over-Sampling Technique untuk Menangani Ketidakseimbangan Kelas pada Dataset Klasifikasi,” Sistemasi, vol. 10, no. 2, p. 445, 2021, doi: 10.32520/stmsi.v10i2.1303.

[23] I. Moment, “Klasifikasi Daun Padi dengan K-Nearest Neighbor Berdasarkan Fitur Warna dan Invariant Moment Rice Classification with K-Nearest Neighbor based on Color Feature,” vol. 12, no. September, pp. 660–674, 2023.


Artikel Statistik

Abstrak telah dilihat : 384 kali
PDF telah dilihat : 201 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.